你这个问题已经进入 Imputation pipeline 的核心设计问题了，我帮你一次讲清楚（重点分 4 层）。

一、HRC chr20 .bcf vs .msav 是什么区别？

1）HRC.r1-1.GRCh37.chr20.shapeit3.mac5.aa.genotypes.bcf

这是：

✅ Eagle2 用的 reference haplotype panel（原始参考单倍型）

特点：

• 已经 phasing 完成
• 是 按染色体分割的 BCF
• 每一行是 variant + phased haplotypes

结构类似：

chr20 1000 A G
sample1  0|1
sample2  1|0

👉 用途：

Eagle2 Phasing 输入参考

2）HRC.r1-1.GRCh38.chr1.shapeit3.mac5.aa.genotypes.msav

这是：

✅ Minimac4 用的 reference panel（压缩后的 imputation reference）

特点：

• 是 MSAV（Minimac Savvy format）
• 专门为 imputation设计
• 比 bcf 更压缩、更快

结构本质：

haplotype matrix + variant index

👉 用途：

Minimac4 Imputation 输入

🔥 核心区别总结

二、Phasing 和 Imputation 必须用同一个 Reference Panel 吗？

❌ 不必须完全一致

但必须满足：

✔️ 必须“同一体系”一致

例如：

推荐组合1（最标准 HRC pipeline）

Phasing:  HRC BCF (shapeit3 panel)
Imputation: HRC MSAV

推荐组合2（1000G pipeline）

Phasing:  1000G reference VCF
Imputation: 1000G m3vcf / bref3 / msav

❗ 关键规则

✔️ 可以不同“文件格式”

✔️ 但不能混用“不同参考体系”

例如：

❌ 错误组合

Phasing: HRC reference
Imputation: 1000G panel

原因：

haplotype structure 不一致
LD pattern 不一致
variant set 不一致

⚠️ 但有一个现实情况（非常重要）

很多 production pipeline：

Phasing reference 和 imputation reference 来自同一 panel，但不是同一个文件

例如 HRC：

BCF  → Eagle2
MSAV → Minimac4

它们是：

同一数据源
不同表示形式

三、Eagle2 reference panel 和 Minimac reference panel 必须一致吗？

✔️ 必须“来源一致”，但不要求“文件一致”

标准逻辑：

HRC / 1000G / TOPMed
        ↓
  Phasing panel
        ↓
  Imputation panel

🔥 如果不一致会发生什么？

比如：

Phasing: HRC panel (EUR-rich)
Imputation: 1000G (multi-ancestry)

会导致：

• haplotype mismatch
• LD结构不匹配
• INFO score下降
• imputation R²下降

四、genetic_map 是否必须？

✔️ 必须（强烈建议）

Eagle2 需要：

--geneticMapFile genetic_map_chr20_combined_b37.txt

为什么？

Eagle2 是 HMM：

P(recombination) depends on genetic distance (cM)

没有 map：

physical distance ≠ recombination probability

genetic map 从哪里来？

✔️ 常用来源（官方）

Broad Institute / Eagle project：

genetic_map_hg19/GRCh37
genetic_map_hg38

下载路径：

https://alkesgroup.broadinstitute.org/Eagle/downloads/tables/

❗ 重要点

genetic map：

• ❌ 不是 HRC 专属
• ❌ 不是 1000G 专属
• ✔️ 是 genome build 专属（GRCh37 / GRCh38）

五、sites.tab 能不能用 1000G 替代？

✔️ 可以，而且很常见

HRC sites.tab 用途：

QC / strand check / allele alignment

1000G 有没有类似文件？

✔️ 有，但形式不同：

1000G 常用 QC 替代方案：

1. 直接用 VCF panel

1000G Phase3 VCF

2. 自己生成 legend / sites

bcftools query
vcftools --freq

🔥 现实结论：

所以 pipeline 怎么处理？

1000G pipeline 通常：

PLINK QC
↓
VCF conversion
↓
Eagle
↓
Minimac

直接 skip sites.tab

六、总结（非常关键）

1️⃣ BCF vs MSAV

BCF → Eagle2 (phasing reference)
MSAV → Minimac4 (imputation reference)

2️⃣ Phasing vs Imputation reference

必须同一来源（HRC / 1000G / TOPMed）
但可以不同文件格式

3️⃣ genetic map

必须有
但只和 genome build 相关

4️⃣ sites.tab

HRC有官方
1000G一般不用
可以用VCF替代

如果你要做一个“本地 Michigan pipeline”

我可以帮你把这一套抽象成：

JSON DAG：
- QC node
- Phase node (Eagle2)
- Impute node (Minimac4)
- Reference abstraction layer (HRC / 1000G / TOPMed)

甚至可以直接帮你设计：

✔ Nextflow / Cromwell workflow schema
✔ scatter-chromosome execution
✔ reference-switch strategy

只要你说一声 👍